Membrane fouling and its control in drinking water membrane filtration process
Notice bibliographique
Résumé
Recruitment in research can be challenging, particularly for racial/ethnic minorities and immigrants. There remains a dearth of research identifying the health and sociocultural needs of these populations related to recruitment. To describe our experiences and lessons learned in recruiting African immigrant (AI) women for the AfroPap study, a community-based study examining correlates of cervical cancer screening behaviors. We developed several recruitment strategies in collaboration with key informants and considered published recruitment methods proven effective in immigrant populations. We also evaluated the various recruitment strategies using recruitment records and study team meeting logs. We enrolled 167 AI women in the AfroPap study. We used the following recruitment strategies: (1) mobilizing African churches; (2) utilizing word of mouth through family and friends; (3) maximizing research team's cultural competence and gender concordance; (4) promoting altruism through health education; (5) ensuring confidentiality through the consenting and data collection processes; and (6) providing options for data collection. Online recruitment via WhatsApp was an effective recruitment strategy because it built on existing information sharing norms within the community. Fear of confidentiality breaches and time constraints were the most common barriers to recruitment. We were successful in recruiting a "hard-to-reach" immigrant population in a study to understand the correlates of cervical cancer screening behaviors among AI women by using a variety of recruitment strategies. For future research involving African immigrants, using the internet and social media to recruit participants is a promising strategy to consider.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».